Community Smells Under AI Adoption

資料來源#

When AI Joins the Team! A Model of How AI Adoption Relates To Social Patterns in Software Engineering Teams

摘要#

Community smells 是軟體團隊的社會技術反模式——知識集中在少數人腦中、溝通管道彼此隔離、專業知識與文化不相符、參與度低且討論緩慢，以及資訊流動未經記錄且非正式。它們是組織健康狀況的指標，所探問的正是 Organizational Complements to AI 從生產力角度提出的同一個問題：AI adoption 對它所進入的人際系統造成什麼影響？

Annunziata, Choudhuri, Sarma, Catolino & Ferrucci（arXiv 2608.03462，2026-08-04，empirical）是這個語料中首個量化模型：以 152 位使用 AI 工具的軟體專業人士為對象進行問卷調查，並以 Transactive Memory Systems 理論為基礎建立五個 PLS-SEM 模型。核心結論是，替代論——AI 取代了你原本會詢問的同事——並非整體資料所呈現的情況。AI adoption 與較少的 smells 相關，而值得關注的是，這種結果是透過兩種不同方式達成的。

兩種機制#

TMS 將團隊知識工作分為專業化（誰知道什麼；向對的人請教）與協調（讓不同人之間的工作保持一致）。論文在兩個面向上都測量 Human-AI interaction 與 Human-Human interaction，而兩種機制在結構上呈現不同結果：

	專業化工作	協調工作
AI 是否改變人們互動的頻率？	是，增加 — H_AI_Spec → HH_Spec，β =.252–.259，p =.005–.014，三個模型都重現此結果	否 — 兩個模型中 H_AI_Co → HH_Co 均為零（p =.463，p =.730）
AI 是否直接改變 smell？	否 — 對 Knowledge Fragmentation（p =.231）與 Expertise & Cultural Misalignment（p =.594）的直接路徑皆不顯著	是 — Communication Fragmentation β = −.406，p =.001；Unhealthy Interaction β = −.212，p =.020
因此作用路徑是	間接／中介：AI → 更多同儕諮詢 → 較少 smells（HH_Spec → Kn.Frag. β = −.235，p =.029；→ Exp&Cult. β = −.234，p =.015）	直接且平行：AI 與人際協調是同一批 smells 的獨立相關因素，兩者都不是另一方的中介

論文對這條分界線為何出現在此處的解讀值得保留，因為它不受特定構念限制：**關鍵不在於 TMS 維度本身，而在於相關社會功能究竟仰賴持續的人際知識交流，還是仰賴溝通的品質與觸及範圍。**當功能仰賴知識交流時，AI 就可能成為一種替代品；它究竟是替代還是互補，取決於使用紀律。當功能仰賴溝通品質時，AI 則是結構性促成因素——它撰寫會議摘要、為不同受眾統一說明方式、審查 PR 讓作者和審查者看到同一件事——效果會直接呈現，不需要任何人增加交談。

專業化這一半的機制是 TMS 論點，而非生產力論點。Human-AI Specialization 的題項衡量的是對工具界線的後設認知覺察：知道哪些任務該交給工具，以及察覺自身專業知識在哪些方面勝過工具。具備這種覺察的開發者，更能辨識哪些事情不能交給工具——也就是同事掌握的隱性、情境特定知識——並將與同儕的互動精準地導向這些知識。AI 並未取代團隊交易記憶中的一個節點；它協助找出已編碼知識的邊界，讓你知道何時必須請教人類。

表現不同的唯一構念，而且它關乎文件記錄#

Information Sharing——不準確、非正式或記錄不完善的資訊——概念上屬於專業化維度，表現卻更像協調構念：中介路徑沒有作用（HH_Spec → Info.Sharing，p =.494），只有 AI 的直接路徑達到邊際顯著（β = −.194，p =.069），而方向指向 AI adoption 惡化資訊治理。這個結果檢定力不足、尚未獲確認——但在五個模型中，只有這裡的係數符號指向傷害；作者提出的機制也很直觀：工具能即時回答問題，會降低人們認為有必要把事情記錄下來的程度。

這正是 Agentic Technical Debt 與 Agent Context Files 從產物角度探討的同一個對象。此處呈現的是一種團隊特性，也是研究中最弱而非最強的結果——正因如此值得指出，讀者若只快速掃過並尋找「AI 對團隊有益」的證據，就可能忽略這一點。

同一批受訪者在自由文字回答中的說法，恰好相反#

這項研究最有用的方法特點，是它公開了能反駁自身結論的證據。同一批 152 位受訪者中，有一群少數派在開放式回答中描述的，正是模型未能發現的替代情況：

「我們大多數人會先找 AI，而不是隊友」（P12）· AI「大幅減少了我們的溝通，因為大家似乎完全依賴 AI」（P64）· AI「讓人們較少溝通……轉而向線上資源尋求協助，而不是找其他人」（P74）·「AI 工具降低了人們在解決錯誤時尋求協助的需求」（P24）

作者提出的三點調和解釋值得記錄，因為它適用於這個語料中的每一種自陳式測量工具（參見 Telemetry vs. Survey Measurement）：

**個人對變化的描述，與跨受訪者的關聯，是不同的觀察對象。**某位開發者確實可能更常詢問 AI、較少詢問同儕，而在異質樣本中，跨受訪者的關聯仍呈正向。個人經驗鮮明，不代表整體人口層級的相關性也如此。
**感受到的減少集中在特定情況，且有條件限制。**幾則替代情況的描述，將其界定為缺乏紀律使用的風險，而非必然結果——「初階人員過度依賴 AI 工具，不知道自己學到了什麼……把思考外包」（P45）；這正是 Outsource Your Thinking, Not Your Understanding 由實務工作者在問卷中親自表達的版本。
**直接路徑不顯著，表示存在中介，而非完全沒有關係。**受訪者零碎感受到的關係，在整體層級上其實是間接的——而只靠自陳資料，很可能無法自行呈現間接路徑的結構。

平衡觀點的引言同樣具體，而且指向另一個方向：「AI 提議會造成混淆，因此團隊得花額外時間就最終方案達成一致」（P30）；「AI 實際上是在增強開發者原本就具備的優點；如果開發者自私又以自我為中心，就會產生更多不清楚、未經測試的程式碼」（P101）。論文的結論——益處取決於治理，而非自動產生——是由質性資料支撐，而不是由係數支撐。

這項研究的結果應有多大份量#

作者對研究限制的說明異常坦率，而每一項限制都界定了前述主張的範圍：

**橫斷面研究，因此無法判定因果方向。**原本就較分化的團隊，採用 AI 的方式可能不同於凝聚力強的團隊；健康程度較高的團隊，也可能同時更容易整合 AI，並維持更強的同儕互動。論文直言此點，並將縱向／準實驗設計列為下一步。
**解釋力有限。**四個模型的 R² 介於.054–.124；只有 Communication Fragmentation 達到.282。作者主張，對簡約的社會技術模型而言，f² 才是合適的檢視方式，這說法有其道理，但這些模型仍無法解釋大多數變異。
**專業化的中介變項是心理計量特性最弱的構念。**HH_Spec 的 AVE 為.45–.46，略低於傳統門檻.50——而它是承載整套專業化論述的中介變項。作者自己的建議是：將這些關聯視為方向上可靠，但對其幅度採保守解讀。專業化模型的配適度也較差（SRMR.104–.113，高於.10 門檻），不如協調模型（.078–.090）。
樣本分布偏斜。57.9% 來自歐洲（義大利、葡萄牙、西班牙人數最多），透過 LinkedIn、開源社群與 Prolific 招募。兩個招募管道在性別、職務、經驗、團隊規模和公司規模上相符——但地理分布不同，而且群眾外包管道的受訪者表示，他們在協調任務上採用 AI 的程度更高。因此，作者對協調結果的把握低於專業化結果；後者所依據的中介變項在兩個管道間較為平衡。這與上面的心理計量排序正好相反，因此無論哪一半，都稱不上毫無疑義的穩固結果。
研究檢驗了共同方法偏差（Harman 單因子、Kock's VIF ≈ 1.0），並透過題項隨機排序、注意力檢核和「我不知道」選項降低其影響——但每項關係的兩端仍來自同一份自陳式測量工具。

關聯閱讀#

Organizational Complements to AI — 從生產力角度探討同一問題；本文則從組織健康角度切入。專業化的中介結果，嚴格來說是互補性發現：社會技術效益不是工具本身的特性，而是取決於工具的使用能否維持同儕諮詢；這正是「AI 的價值取決於互補的組織實務」論點，只是以團隊健康而非產出衡量
Outsource Your Thinking, Not Your Understanding — 這項研究未能在整體層級確認的替代疑慮；受訪者（P45）逐字指出，這是初階人員缺乏紀律使用 AI 的風險。研究中「取決於治理」的結論，就是同一主張在問卷中的呈現
Telemetry vs. Survey Measurement — 少見的例子，顯示測量工具間的張力會出現在同一種測量工具內：自由文字回答指出 AI 取代了隊友，結構模型則指出同儕互動增加；作者提出的三點調和解釋（個人變化與跨受訪者關聯不同、現象集中且有條件、中介容易被誤讀為不存在）是解讀這個語料中任何自陳資料時都能重複使用的框架
Role Averaging, Not Role Elimination — 對專業領域而言，這是流動性與專業性平衡的證據：有判斷力的 AI 使用與跨知識邊界的更多互動相關，而非更少。因此，Ambrosino 警告的累積最佳實務侵蝕在此並未顯現（雖然這裡測量的是互動頻率，而非專業知識的保留）
Systems Thinking Over Specialization — 值得一起閱讀的對照觀點：Stone 的論點是稀缺的人才特質在於能橫跨領域抽象思考；本研究則發現，AI 在專業化上的益處來自知道自身領域知識在哪些方面勝過工具。兩者都指出，界線覺察是關鍵技能；但對於值得辨識的是人與人之間，還是人與工具之間的界線，兩者看法不同
Acceleration Whiplash — 同一個組織層級的問題，但答案來自遙測資料而非問卷，而且品質方面的結果方向相反。Faros 衡量的是被 AI 產出淹沒、以人類速度運作的 SDLC；本研究衡量的則是自陳且有所改善的團隊社會健康狀況。這並非直接矛盾——構念不同、測量工具不同，而且本研究中自由文字回答的少數派，更像 Faros 的觀察——但兩者的張力值得保留，而非取平均
Review as the Control Point — 一位受訪者指出維持互動的機制：「身為資深人員，我們仍會審查他們做的每件事」（P11）；專業化模型衡量的同儕諮詢，正是在審查時發生
Agentic Technical Debt — Information Sharing 的結果是這種技術債在團隊層級的影子：五個模型中唯一指向傷害的路徑，正是文件記錄這一項，其 p =.069 僅達邊際顯著
Psychological Costs of AI Adoption — 同一個問題（AI adoption 對它所進入的人際系統造成什麼影響？），這篇以訪談而非 PLS-SEM 提問，得到的答案情感傾向正好相反。兩者彼此相容而不矛盾，值得保留的原因在於構念界線：**五種心理成本都不是團隊層級的特性。**工程師可以更常諮詢同事、溝通更好——正是本研究測得有所改善的面向——同時私下承受工藝認同的喪失；那正是個案研究的成員檢核引言所描述的情況（「有些研究結果曾在走廊和午餐時被談起，但我們從未公開面對它們」）。兩項研究在知識分享上有所交集：那篇研究提供了本問卷看不到的分享阻力機制；流通的內容會受到職務相關性、害怕同儕評價，以及不願在合規界線不明時透露實驗情況所篩選

開放問題#

這項研究設計無法區分「AI adoption 改善團隊社會健康」與「較健康的團隊更善於採用 AI」，作者也明確指出這一點。能辨別兩者的研究，正是作者提出的方向：長期或準實驗追蹤 AI adoption 與團隊動態如何隨時間變化，並控制溝通文化、組織成熟度、領導實務與資歷。在那之前，這裡的每個係數都只是關聯。截至 2026-09-22 仍未補足——The Psychological Costs of Artificial Intelligence Adoption in Software Engineering（case-study）是這個語料中最接近的研究，但明確不是答案：它是在單一公司進行的整體性個案研究，於採用 AI 一年後執行，依作者自己的說法屬於橫斷面研究（「我們的快照無法確認哪些關係會持續、減弱或隨時間改變；這些時間上的界線需要透過縱向調查來研究」）；研究沒有比較組織，也沒有控制此處列出的四項混淆因子。它以深度換取辨識能力，因此能描述本問卷只能推論的機制，卻無法化解反向因果的爭議。
Information Sharing 路徑——AI adoption 直接惡化文件記錄與資訊治理——是在五個模型中唯一的傷害訊號，其 p =.069，低於樣本能可靠偵測的 β ≈.20。當樣本數增加到 n ≈ 400 時，這個結果是否仍存在？在缺乏文件紀律的團隊中，這個效果是否會更強？這是論文「取決於治理」結論中可被證偽的部分。
這項研究測量的是同儕互動的頻率，而非互動內容或專業知識保留情況。如果 AI 增加以專業化為導向的交流次數，同時降低交流深度（也就是理解能力這個面向），那麼頻率就會如研究測得般上升，但底層的交易記憶其實正在變薄。本研究無法區分這兩種情況。部分獲得回答（2026-09-22）：The Psychological Costs of Artificial Intelligence Adoption in Software Engineering（case-study，在採用 AI 一年後，訪談同一家受監管軟體公司的 N = 21 位員工）檢視的正是這個問題指出尚未測量的層面——實際流通的內容——並發現內容受到篩選，而非變薄。該公司的整體採用策略是「實驗並分享」，而分享只在「角色相似、心理安全足夠且規範許可明確」時成立；以下三種情況則使分享受阻：跨企業分享的實驗「和我的職務其實沒什麼關係」（測試人員無法從由開發者主導的資訊流中獲得可用內容）；實務工作者「害怕遭受評價」而隱瞞經驗，認為向同事透露 AI 使用方式的門檻很高；治理規範不明則從源頭壓抑資訊揭露（「我非常猶豫要不要分享這件事」）。這是內容層級的證據，顯示 AI 時代的交流會依照「可以安全告訴誰」及「可以安全說什麼」而篩選——它不同於本項目所假設的深度侵蝕，而且頻率計數同樣看不見。它還有兩個原因不能直接回答此問題：研究從未測量互動頻率，因此無法指出互動次數是否上升而內容同時變窄；研究只涵蓋一家公司，其合規制度很可能促成第三種情況。此問題需要的受試者內設計——在同一批團隊中同時測量交流次數與交流內容——仍未建立。

資料來源#

When AI Joins the Team! A Model of How AI Adoption Relates To Social Patterns in Software Engineering Teams — Giusy Annunziata, Rudrajit Choudhuri, Anita Sarma, Gemma Catolino, Filomena Ferrucci，arXiv 2608.03462，2026-08-04（empirical，尚未經同儕審查）：§7 為五個結構模型及每條路徑的係數，§8.1 討論兩種作用機制以及 PLS-SEM 與受訪者認知間的落差，§9 討論效度威脅（HH_Spec AVE.45–.46、專業化模型的 SRMR.104–.113、協調結果的管道失衡、橫斷面設計）。解析警告：parse-asset.sh 驗證結果為 warn——四個儲存格套用了 table-collapse；Table 9 中合併列把 Knowledge Fragmentation 模型的三項假設疊在單一儲存格（+. 252 -. 155 -. 235）。各路徑的 β、T、p 與 f² 均已從論文內文還原，內文分別在 §7.1、§7.2、§8.1 說明；未引用被折疊的表格列。另請留意原文中的一處敘述錯誤：HC3.1 段落描述 H_AI_Co → Unhealthy Interaction 路徑時使用了錯誤主詞（「以協調為導向的 Human-Human interaction 頻率較高」），與 HC3.2 的句子重複——係數（β = −.212）與表格及 RQ2 摘要相符，因此數值可靠，但句子並非